CN113128584A - 一种多功能雷达脉冲序列的模式级无监督分选方法 - Google Patents

一种多功能雷达脉冲序列的模式级无监督分选方法 Download PDF

Info

Publication number
CN113128584A
CN113128584A CN202110407559.6A CN202110407559A CN113128584A CN 113128584 A CN113128584 A CN 113128584A CN 202110407559 A CN202110407559 A CN 202110407559A CN 113128584 A CN113128584 A CN 113128584A
Authority
CN
China
Prior art keywords
mode
radiation source
label
template
center
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110407559.6A
Other languages
English (en)
Other versions
CN113128584B (zh
Inventor
李岩
张滋林
李云杰
田震
杨健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110407559.6A priority Critical patent/CN113128584B/zh
Publication of CN113128584A publication Critical patent/CN113128584A/zh
Application granted granted Critical
Publication of CN113128584B publication Critical patent/CN113128584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种多功能雷达脉冲序列的模式级无监督分选方法，首先将输入信号样本通过无监督的聚类方法，形成不同的模式级别的簇；然后采用两种自适应方法，包含重要特征微调和序列连续性检测，以确定簇间的模式和辐射源关系，同时实现两级标注；本发明方法即使没有严苛的先验信息，也能够实现多功能雷达的在线分选，具有较高的可靠性和准确性。

Description

一种多功能雷达脉冲序列的模式级无监督分选方法
技术领域
本发明属于雷达电子侦察和人工智能交叉的技术领域，具体涉及一种多功能雷达脉冲序列的模式级无监督分选方法。
背景技术
电子战系统的主要任务是发现辐射源的存在并尽快生成对抗策略，该系统的主要组成部分是对输入的多辐射源脉冲序列进行分选，为后续干扰措施的选择打下基础。传统的辐射源分选算法依赖于已有特征模板的匹配，或者根据实测脉冲描述字(PDW)的到达时间(TOA)参数进行直方图统计。早期流行的两种方法是累积差分直方图(CDIF)和序列差分直方图(SDIF)方法。虽然上述方法在工作模式简单的传统辐射源上表现良好，但它们很难适应工作模式变化的多功能雷达的混合序列。另一种是基于深度学习的方法，利用大量数据训练出一个神经网络的分类模型，尽管这种方法效果很好，然而在实际环境中很难获得足够数量的有效数据，并且该方法无法对没有样本的未知辐射源进行分选。
发明内容
有鉴于此，本发明提供了一种多功能雷达脉冲序列的模式级无监督分选方法，能够解决多功能雷达的脉冲序列分选问题。
实现本发明的技术方案如下：
一种多功能雷达脉冲序列的模式级无监督分选方法，包括以下步骤：
步骤一、对于接收到的每一个包含F个特征参数的PDW样本x＝[f1,f2,..,fF]进行累积；当数据量达到K个样本的时候，将K个样本作为一个数据段X＝{x1,x2,....,xK}；
步骤二、对数据段X＝{x1,x2,....,xK}进行AP聚类，得到包含t个簇中心的集合CAP＝{c1,c2,...,ct}，其中
Figure BDA0003022885950000021
是第p个簇的中心；然后，计算CAP＝{c1,c2,...,ct}中所有中心点两两之间相似度，如果相似度大于设定的相似性阈值ThesholdAP+，则将两个中心合并，直到所有中心间的相似度小于阈值ThesholdAP+；最终，得到t*个中心的集合CAP +＝{c*1,c*2,...,c*t*}，以及每一个样本的聚类标签Label*k(k＝1,2,...,K)；
步骤三、已有模板中的每一个条目，记录了已知类别的中心cTem，以及对应的辐射源LE(cTem)和模式标签LM(cTem)；选取步骤二中的一个中心
Figure BDA0003022885950000022
与模板中记录的中心cTem进行匹配，计算余弦相似度；当余弦相似度大于设定的匹配阈值ThresholdTemplate时，为该中心的簇内所有样本分配模板中对应的辐射源标签
Figure BDA0003022885950000023
和模式标签
Figure BDA0003022885950000024
如果余弦相似度小于ThresholdTemplate，则认为是一个新的类别，将中心特征
Figure BDA0003022885950000025
输入步骤四中；
步骤四、对于当前中心
Figure BDA0003022885950000026
依次计算其与模版中记录的中心cTem的重要特征f的相对距离
Figure BDA0003022885950000027
如果对于所有的cTem得到的
Figure BDA0003022885950000028
都大于预设的重要特征距离阈值ThresholdSFR，则
Figure BDA0003022885950000029
是一个新的辐射源，为其分配新的辐射源标签
Figure BDA00030228859500000210
和模式标签
Figure BDA00030228859500000211
进入步骤六；反之，当前中心
Figure BDA00030228859500000212
有可能是模板中已有辐射源的某个新模式，并记录最小的
Figure BDA00030228859500000213
所对应的模板中心cTem,min，进入步骤五；
步骤五、对于当前中心
Figure BDA00030228859500000214
分析该簇内所有样本在X中的索引值，如果长度为l的窗口中的所有样本都属于
Figure BDA00030228859500000215
l为设定值，则认为当前中心
Figure BDA00030228859500000216
是模板中已有的某个中心cTem,min所属的辐射源的某个新模式，为其分配辐射源标签
Figure BDA0003022885950000031
和新的模式标签
Figure BDA0003022885950000032
否则
Figure BDA0003022885950000033
是一个新的辐射源，并且为其分配新的辐射源标签
Figure BDA0003022885950000034
和模式标签
Figure BDA0003022885950000035
步骤六、将步骤四、五中的中心
Figure BDA0003022885950000036
以及其对应的辐射源标签
Figure BDA0003022885950000037
和模式标签
Figure BDA0003022885950000038
录入模板；
步骤七、重复步骤三至六，直到CAP+内的所有中心都被分配了辐射源和模式标签，并更新模板；
步骤八、为中心
Figure BDA0003022885950000039
所在簇内的所有样本分配与中心
Figure BDA00030228859500000310
相同的辐射源标签
Figure BDA00030228859500000311
和模式标签
Figure BDA00030228859500000312
步骤九 重复步骤一至八，直到所有的PDW样本被打上标签。
进一步地，步骤一中所述的F个特征参数包括但不限于：到达角、脉冲重复间隔、频率下限、脉宽、脉内调制方式和带宽这六个脉冲特征参数。
进一步地，步骤二中，利用改进的AP聚类算法，即AP+算法，在AP聚类的基础上对中心进行了二次合并：计算CAP中两两中心间的余弦相似度，如果两个中心的余弦相似度大于最大相似性阈值ThesholdAP+，则从CAP中删除这两个中心，并添加新的中心c*，其特征值为所删除的两个中心特征值的均值。
进一步地，针对步骤三中没有已知模板的情况时，步骤三跳过。
进一步地，步骤四中选用的重要特征包括但不限于到达角和频率下限；相对距离计算如下：
Figure BDA00030228859500000313
其中，f表示对应的重要特征；一般情况下，新的辐射源标签
Figure BDA00030228859500000314
编号为当前模板中的最大辐射源标签编号加1；特别地，当没有模板或者模板为空的时候，当前中心
Figure BDA00030228859500000315
被认为是第一个辐射源的第一个模式。
进一步地，步骤五中长度为l的窗口中的所有样本都属于
Figure BDA00030228859500000316
所在的簇，即为：
Label*j＝Label*j+1＝...＝Label*j+l,j∈{1,2,...,K-l}
同时，所选辐射源标签LE(cTem,min)应是步骤四中与
Figure BDA0003022885950000041
的重要特征相对距离最小的模版中心cTem,min的辐射源标签；一般情况下，新的辐射源标签
Figure BDA0003022885950000042
编号为当前模板中的最大辐射源标签编号加1；新的模式标签
Figure BDA0003022885950000043
编号为当前模板中，相同辐射源标签下的最大模式标签编号加1。
进一步地，步骤九中，当最后一次数据累积过程中，如果数据量只有K'个，其中K'＜K，则直接将K'个数据送入步骤二至八中进行处理。
有益效果：本算法针对复杂电磁环境中，多功能雷达的分选问题，提出了一种模式级的无监督分选方法：包含无监督的聚类技术、重要特征微调技术和连续性检测技术，在不利用人为标注信息的条件下，同时对多功能雷达的每一个模式进行标注，实现模式级的分选。
附图说明
图1为本发明的算法流程图。
图2为本发明实施例的分选实验结果。
图3为本发明实施例中AP+方法与AP聚类方法的对比实验结果图，其中(a)为AP聚类可视化结果，(b)为AP+算法的可视化结果。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种多功能雷达脉冲序列的模式级无监督分选方法，该方法主要包含两个部分基于升级的吸引子传播算法(Affinity Propagation+，AP+)和自适应微调方法。其中，AP+算法是一种基于AP算法的无监督聚类方法，其将脉冲的PDW作为样本，通过比较AP聚类方法得到的聚类中心间的相似度，进行簇的二次合并，以缓解AP算法中出现的“虚假增批”现象，实现模式级别的聚类。然后，自适应微调方法，通过重要特征微调(Substantial Feature Refinement,SFR)和序列连续性检测(Sequence ContinuityDetection，SCD)两种方法，发掘每一个类别簇之间的时序关系，以确定不同模式的辐射源所属关系，并分配最终的标签。
以下为本发明的一个实施例：
(1)实验的场景设置
本实验通过两个仿真的多功能雷达E1(包含3个不同的模式:Sn11,Sn12,Sn13)和E2(包含2个不同的模式:Sn21,Sn22)形成的场景，对本方法进行评估。每个模式由6个参数定义表1所示。
表1实验场景的辐射源模式参数
Figure BDA0003022885950000051
(2)评价指标设置
实验评价了2部辐射源同时存在的场景下，脉冲序列的分选结果，将每一个脉冲的真实所属类别与算法生成的类别对应，观测分选效果。为了使聚类效果更直观的体现，实验利用t-SNE降维的方法，将场景的数据进行可视化。
(3)实验流程
本发明的算法流程图如图1所示：具体地：对于每一个PDW样本，特征维数F＝6，即x＝[f1,f2,..,f6]。其中f1,f2,..,f6分别对应到达角、脉冲重复间隔、频率下限、脉宽、脉内调制方式和带宽的特征参数信息。
步骤一、数据累积，当累积K＝1,024个PDW样本时，将数据样本段X＝{x1,x2,....,x1024}输入AP+聚类模块。
步骤二、基于AP+的无监督聚类，首先计算相似度矩阵，对于样本xb和xd，b,d∈{1,2,...,1024}，相似度矩阵SEu的b行d列的值为SEu(xb,xd)＝-||xb-xd||2。然后根据公式(1)和(2)迭代maxiter＝200次。得到最终的吸引度矩阵(r)和归属度矩阵(a)。并根据公式(3)将r和a求和得到矩阵Y，该矩阵对角线上元素大于0的位置所对应的样本即为聚类中心，所有t个的聚类中心的集合为CAP＝{c1,c2,...,ct}。
然后根据公式(3)和设定最大相似性阈值ThresholdAP+＝0.995，并计算中心cm和cn间的余弦相似度SCos(cm,cn)，如果SCos(cm,cn)＞0.995，则按照公式(4)进行中心合并，最终得到包含t*个中心的AP+中心集合：CAP+＝{c*1,c*2,...,c*t*}。根据最近邻原则，为每一个样本分配聚类标签Label*k(k＝1,2,...,1024)。
步骤三、已有模板的匹配。将步骤二中的簇的中心
Figure BDA0003022885950000061
与模板中记录的中心cTem，计算余弦相似度。当余弦相似度大于匹配阈值ThresholdTemplate＝0.995时，为该中心的簇内所有样本分配模板中对应的辐射源标签
Figure BDA0003022885950000062
和模式标签
Figure BDA0003022885950000063
反之，则认为是一个新的类别，将其中心特征输入步骤四中。
步骤四、重要特征微调。对于当前中心
Figure BDA0003022885950000064
根据公式(6)计算其与模版中条目的重要特征的相对距离
Figure BDA0003022885950000065
其中：f＝DOA，即
Figure BDA0003022885950000071
如果
Figure BDA0003022885950000072
大于重要特征距离阈值ThresholdSFR＝0.05则认为是一个新的辐射源，并且为其分配新的辐射源标签
Figure BDA0003022885950000073
和模式标签
Figure BDA0003022885950000074
进入步骤六。反之，记录使
Figure BDA0003022885950000075
最小的模板中心cTem,min，认为当前中心有可能是模板中cTem,min所对应的辐射源的某个新模式，进入步骤五，进行序列连续性检测。
步骤五、序列连续性检测。对于当前中心
Figure BDA0003022885950000076
分析该簇内所有样本的在X中的索引值，如果长度为l＝5的窗口中的所有样本都属于
Figure BDA0003022885950000077
即：Label*i＝Label*i+1＝...＝Label*i+5,i∈{1,2,...,1019}，则认为当前中心
Figure BDA0003022885950000078
是模板中已有的中心cTem,min所属的辐射源的某个新模式，为其分配辐射源标签
Figure BDA0003022885950000079
和新的模式标签
Figure BDA00030228859500000710
否则认为是一个新的辐射源，并且为其分配新的辐射源标签
Figure BDA00030228859500000711
和模式标签
Figure BDA00030228859500000712
步骤六、模板的更新。将步骤四、五种的中心
Figure BDA00030228859500000713
以及其对应的辐射源标签
Figure BDA00030228859500000714
和模式标签
Figure BDA00030228859500000715
录入模板。
步骤七、重复步骤三至六，直到CAP+内的所有中心都被分配了辐射源和模式标签，并更新了模板。
步骤八、标签分配。为当前中心簇内的所有样本分配与该中心
Figure BDA00030228859500000716
相同的辐射源标签
Figure BDA00030228859500000717
和模式标签
Figure BDA00030228859500000718
步骤九、重复步骤一至八，直到所有的PDW样本被打上辐射源标签和模式标签。
(4)结果分析
图2显示了本算法的分选结果。可以看出，预测结果与真实标签基本一致，即使在交错样本的情况下，本方法仍能有效地提取出辐射源与模式之间的关系。
图3展示了AP+与AP聚类算法的t-SNE结果图，其中每个点代表一个样本，不同颜色表示不同的簇。从图中可以看出，由于输出簇的数量过多，AP算法产生了许多“虚假增批”而AP+算法通过二次合并，得到正确的五个模式。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种多功能雷达脉冲序列的模式级无监督分选方法，其特征在于，包括以下步骤：
步骤一、对于接收到的每一个包含F个特征参数的PDW样本x＝[f1,f2,..,fF]进行累积；当数据量达到K个样本的时候，将K个样本作为一个数据段X＝{x1,x2,....,xK}；
步骤二、对数据段X＝{x1,x2,....,xK}进行AP聚类，得到包含t个簇中心的集合CAP＝{c1,c2,...,ct}，其中
Figure FDA0003022885940000011
是第p个簇的中心；然后，计算CAP＝{c1,c2,...,ct}中所有中心点两两之间相似度，如果相似度大于设定的相似性阈值ThesholdAP+，则将两个中心合并，直到所有中心间的相似度小于阈值ThesholdAP+；最终，得到t*个中心的集合CAP+＝{c*1,c*2,...,c*t*}，以及每一个样本的聚类标签Label*k(k＝1,2,...,K)；
步骤三、已有模板中的每一个条目，记录了已知类别的中心cTem，以及对应的辐射源LE(cTem)和模式标签LM(cTem)；选取步骤二中的一个中心
Figure FDA0003022885940000012
与模板中记录的中心cTem进行匹配，计算余弦相似度；当余弦相似度大于设定的匹配阈值ThresholdTemplate时，为该中心的簇内所有样本分配模板中对应的辐射源标签
Figure FDA0003022885940000013
和模式标签
Figure FDA0003022885940000014
如果余弦相似度小于ThresholdTemplate，则认为是一个新的类别，将中心特征
Figure FDA0003022885940000015
输入步骤四中；
步骤四、对于当前中心
Figure FDA0003022885940000016
依次计算其与模版中记录的中心cTem的重要特征f的相对距离
Figure FDA0003022885940000017
如果对于所有的cTem得到的
Figure FDA0003022885940000018
都大于预设的重要特征距离阈值ThresholdSFR，则
Figure FDA0003022885940000019
是一个新的辐射源，为其分配新的辐射源标签
Figure FDA00030228859400000110
和模式标签
Figure FDA00030228859400000111
进入步骤六；反之，当前中心
Figure FDA00030228859400000112
有可能是模板中已有辐射源的某个新模式，并记录最小的
Figure FDA00030228859400000113
所对应的模板中心cTem,min，进入步骤五；
步骤五、对于当前中心
Figure FDA0003022885940000021
分析该簇内所有样本在X中的索引值，如果长度为l的窗口中的所有样本都属于
Figure FDA0003022885940000022
l为设定值，则认为当前中心
Figure FDA0003022885940000023
是模板中已有的某个中心cTem,min所属的辐射源的某个新模式，为其分配辐射源标签
Figure FDA0003022885940000024
和新的模式标签
Figure FDA0003022885940000025
否则
Figure FDA0003022885940000026
是一个新的辐射源，并且为其分配新的辐射源标签
Figure FDA0003022885940000027
和模式标签
Figure FDA0003022885940000028
步骤六、将步骤四、五中的中心
Figure FDA0003022885940000029
以及其对应的辐射源标签
Figure FDA00030228859400000210
和模式标签
Figure FDA00030228859400000211
录入模板；
步骤七、重复步骤三至六，直到CAP+内的所有中心都被分配了辐射源和模式标签，并更新模板；
步骤八、为中心
Figure FDA00030228859400000212
所在簇内的所有样本分配与中心
Figure FDA00030228859400000213
相同的辐射源标签
Figure FDA00030228859400000214
和模式标签
Figure FDA00030228859400000215
步骤九 重复步骤一至八，直到所有的PDW样本被打上标签。
2.如权利要求1所述的一种多功能雷达脉冲序列的模式级无监督分选方法，其特征在于，步骤一中所述的F个特征参数包括但不限于：到达角、脉冲重复间隔、频率下限、脉宽、脉内调制方式和带宽这六个脉冲特征参数。
3.如权利要求1所述的一种多功能雷达脉冲序列的模式级无监督分选方法，其特征在于，步骤二中，利用改进的AP聚类算法，即AP+算法，在AP聚类的基础上对中心进行了二次合并：计算CAP中两两中心间的余弦相似度，如果两个中心的余弦相似度大于最大相似性阈值ThesholdAP+，则从CAP中删除这两个中心，并添加新的中心c*，其特征值为所删除的两个中心特征值的均值。
4.如权利要求1所述的一种多功能雷达脉冲序列的模式级无监督分选方法，其特征在于，针对步骤三中没有已知模板的情况时，步骤三跳过。
5.如权利要求1所述的一种多功能雷达脉冲序列的模式级无监督分选方法，其特征在于，步骤四中选用的重要特征包括但不限于到达角和频率下限；相对距离计算如下：
Figure FDA0003022885940000031
其中，f表示对应的重要特征；一般情况下，新的辐射源标签
Figure FDA0003022885940000032
编号为当前模板中的最大辐射源标签编号加1；特别地，当没有模板或者模板为空的时候，当前中心
Figure FDA0003022885940000033
被认为是第一个辐射源的第一个模式。
6.如权利要求1所述的一种多功能雷达脉冲序列的模式级无监督分选方法，其特征在于，步骤五中长度为l的窗口中的所有样本都属于
Figure FDA0003022885940000034
所在的簇，即为：
Figure FDA0003022885940000035
同时，所选辐射源标签LE(cTem,min)应是步骤四中与
Figure FDA0003022885940000036
的重要特征相对距离最小的模版中心cTem,min的辐射源标签；一般情况下，新的辐射源标签
Figure FDA0003022885940000037
编号为当前模板中的最大辐射源标签编号加1；新的模式标签
Figure FDA0003022885940000038
编号为当前模板中，相同辐射源标签下的最大模式标签编号加1。
7.如权利要求1所述的一种多功能雷达脉冲序列的模式级无监督分选方法，其特征在于，步骤九中，当最后一次数据累积过程中，如果数据量只有K'个，其中K'＜K，则直接将K'个数据送入步骤二至八中进行处理。
CN202110407559.6A 2021-04-15 2021-04-15 一种多功能雷达脉冲序列的模式级无监督分选方法 Active CN113128584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110407559.6A CN113128584B (zh) 2021-04-15 2021-04-15 一种多功能雷达脉冲序列的模式级无监督分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110407559.6A CN113128584B (zh) 2021-04-15 2021-04-15 一种多功能雷达脉冲序列的模式级无监督分选方法

Publications (2)

Publication Number Publication Date
CN113128584A true CN113128584A (zh) 2021-07-16
CN113128584B CN113128584B (zh) 2022-11-11

Family

ID=76776833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110407559.6A Active CN113128584B (zh) 2021-04-15 2021-04-15 一种多功能雷达脉冲序列的模式级无监督分选方法

Country Status (1)

Country Link
CN (1) CN113128584B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115128569A (zh) * 2022-08-30 2022-09-30 中国电子科技集团公司第十五研究所 雷达侦察全脉冲数据可视化分选方法、服务器及存储介质
CN116089523A (zh) * 2023-02-14 2023-05-09 黑龙江开源科技有限公司 基于低空雷达信息的大数据分析的处理系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003075530A (ja) * 2001-09-07 2003-03-12 Mitsubishi Electric Corp レーダパルス分類方法および装置
CN102590791A (zh) * 2012-01-10 2012-07-18 哈尔滨工程大学 一种复杂密集环境下雷达辐射源信号覆盖分选方法
US20140022110A1 (en) * 2011-03-24 2014-01-23 Furukawa Automotive Systems Inc. Radar device
CN109270497A (zh) * 2018-10-28 2019-01-25 西南电子技术研究所（中国电子科技集团公司第十研究所） 雷达脉冲信号的多维参数预分选方法
US20190162818A1 (en) * 2016-07-26 2019-05-30 Thales Method and device for identifying radar emission modes
CN110751121A (zh) * 2019-10-28 2020-02-04 北京理工大学 基于聚类与sofm的无监督雷达信号分选方法
CN111444790A (zh) * 2020-03-13 2020-07-24 北京理工大学 一种对多功能雷达工作模式序列的脉冲级智能识别方法
CN112036074A (zh) * 2020-07-27 2020-12-04 西安电子科技大学 一种高脉冲密度环境下雷达信号分选方法及系统
CN112597820A (zh) * 2020-12-10 2021-04-02 南京长峰航天电子科技有限公司 一种基于雷达信号分选的目标聚类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003075530A (ja) * 2001-09-07 2003-03-12 Mitsubishi Electric Corp レーダパルス分類方法および装置
US20140022110A1 (en) * 2011-03-24 2014-01-23 Furukawa Automotive Systems Inc. Radar device
CN102590791A (zh) * 2012-01-10 2012-07-18 哈尔滨工程大学 一种复杂密集环境下雷达辐射源信号覆盖分选方法
US20190162818A1 (en) * 2016-07-26 2019-05-30 Thales Method and device for identifying radar emission modes
CN109270497A (zh) * 2018-10-28 2019-01-25 西南电子技术研究所（中国电子科技集团公司第十研究所） 雷达脉冲信号的多维参数预分选方法
CN110751121A (zh) * 2019-10-28 2020-02-04 北京理工大学 基于聚类与sofm的无监督雷达信号分选方法
CN111444790A (zh) * 2020-03-13 2020-07-24 北京理工大学 一种对多功能雷达工作模式序列的脉冲级智能识别方法
CN112036074A (zh) * 2020-07-27 2020-12-04 西安电子科技大学 一种高脉冲密度环境下雷达信号分选方法及系统
CN112597820A (zh) * 2020-12-10 2021-04-02 南京长峰航天电子科技有限公司 一种基于雷达信号分选的目标聚类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HE KUN等: "A Joint Radar Signal Sorting Method For Multi-Radar Reconnaissance Station", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 *
XIN FENG等: "Radar Signal Sorting Algorithm of K-Means Clustering based on Data Field", 《2017 3RD IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS (ICCC)》 *
汤琼等: "一种基于AP算法的半监督聚类方法", 《电子信息对抗技术》 *
牟皓等: "复杂电磁环境下同型雷达信号的分选方法", 《电子信息对抗技术》 *
王美玲等: "基于AP密度聚类方法的雷达辐射源信号识别", 《舰船电子对抗》 *
金银波等: "基于改进的半监督AP聚类雷达信号分选", 《现代电子技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115128569A (zh) * 2022-08-30 2022-09-30 中国电子科技集团公司第十五研究所 雷达侦察全脉冲数据可视化分选方法、服务器及存储介质
CN115128569B (zh) * 2022-08-30 2022-11-25 中国电子科技集团公司第十五研究所 雷达侦察全脉冲数据可视化分选方法、服务器及存储介质
CN116089523A (zh) * 2023-02-14 2023-05-09 黑龙江开源科技有限公司 基于低空雷达信息的大数据分析的处理系统
CN116089523B (zh) * 2023-02-14 2023-12-15 黑龙江开源科技有限公司 基于低空雷达信息的大数据分析的处理系统

Also Published As

Publication number Publication date
CN113128584B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN108765373B (zh) 一种基于集成分类器在线学习的绝缘子异常自动检测方法
CN109671102B (zh) 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法
CN108596211B (zh) 一种基于集中学习与深度网络学习的遮挡行人再识别方法
Laxhammar et al. Inductive conformal anomaly detection for sequential detection of anomalous sub-trajectories
CN113128584B (zh) 一种多功能雷达脉冲序列的模式级无监督分选方法
CN107682319A (zh) 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法
CN112132014B (zh) 基于非督导金字塔相似性学习的目标重识别方法及系统
CN115034261B (zh) 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN110879881B (zh) 基于特征组分层和半监督随机森林的鼠标轨迹识别方法
CN111693945A (zh) 脉间调制方式识别方法、系统、计算机设备及存储介质
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN112528774B (zh) 一种复杂电磁环境下未知雷达信号智能分选系统及方法
Li et al. Robust vehicle detection in high-resolution aerial images with imbalanced data
CN112990282B (zh) 一种细粒度小样本图像的分类方法及装置
CN110942472A (zh) 一种基于特征融合与自适应分块的核相关滤波跟踪方法
CN110837874A (zh) 基于时间序列分类的业务数据异常检测方法
CN112163636A (zh) 基于孪生神经网络的电磁信号辐射源的未知模式识别方法
CN114359632A (zh) 一种基于改进PointNet++神经网络的点云目标分类方法
CN112115996B (zh) 图像数据的处理方法、装置、设备及存储介质
CN113065395A (zh) 一种基于生成对抗网络的雷达目标新类检测方法
CN109615007B (zh) 基于粒子滤波的深度学习网络目标检测方法
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备
CN109272020B (zh) 一种肌电数据中离群点的处理方法和系统
CN117195031A (zh) 一种基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法
CN114492583A (zh) 一种基于lstm的雷达搜索模式识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant